-
公开(公告)号：CN113160269A
公开(公告)日：2021-07-23
申请号：CN202110176024.2
申请日：2021-02-09
Applicant: 北京工业大学
Abstract: 本发明涉及一种基于注意力的行人轨迹预测方法，用于更准确快速地预测行人的未来轨迹。具体包括三个模块，个体注意力编码模块，用于计算行人自身历史轨迹中隐藏向量的相似性并输出个体注意力特征矩阵，以获取在运动过程中行人自身的主要影响因素；社会注意力池化模块，用于接收个体注意力编码模块的计算结果，即个体注意力特征矩阵，计算场景中所有行人的历史轨迹中隐藏向量的相似性并输出综合运动特征矩阵，以获取在运动过程中行人之间的相互影响关系；门控循环单元解码模块，用于接收社会注意力池化模块的计算结果，即综合运动特征矩阵，利用门控循环单元计算并输出行人的未来轨迹坐标；本方法有效地提高了预测精度和速度。
-
公开(公告)号：CN112932503A
公开(公告)日：2021-06-11
申请号：CN202110058756.1
申请日：2021-01-16
Applicant: 北京工业大学
Abstract: 本发明公开了基于4D数据表达和3DCNN的运动想象任务解码方法，对原始运动想象脑电信号MI‑EEG进行基线校正和带通滤波处理；将预处理后的MI‑EEG信号从低维头皮空间映射到高维脑皮层空间，获得偶极子源估计；结合偶极子坐标系转换、插值和体积下采样等操作，构建3D偶极子幅值矩阵；在TOI内设置滑窗，将窗内采样时刻对应的3D偶极子幅值矩阵按照采样顺序堆叠为4D偶极子特征矩阵；设计三模块级联结构的三维卷积神经网络3M3DCNN，对4DDFM含有的三维空间位置信息以及一维时间信息的复合特征进行提取和识别，实现运动想象任务解码；本发明避免了ROI的选择带来的大量信息丢失，并省去了时频分析等复杂操作步骤，有效提高了脑电信号的识别效果。
-
公开(公告)号：CN112329861A
公开(公告)日：2021-02-05
申请号：CN202011235706.8
申请日：2020-11-06
Applicant: 北京工业大学
Abstract: 本发明涉及移动机器人的环境感知领域，尤其涉及一种面向移动机器人多目标检测的分层特征融合方法，目的在于提高目标检测算法对不同尺度目标的检测能力，从而提高智能机器人的环境感知能力，包括以下步骤：将数据集中的图像输入到预训练好的改进后的VGG‑16中，初步获取特征图；将初步获取的特征图分别输入空洞卷积金字塔结构，该结构包含3种不同扩张率的空洞卷积分支，用于匹配机器人移动时视觉传感器获取的不同尺度大小的目标；将不同分支获取的特征图通过本发明提出的分层叠加的方式进行融合，使特征图中的所有通道均包含不同尺度的特征信息；将融合后的特征图进行逐步卷积，得到不同大小的特征图；最终，获得待检测物体的类别和包围框。
-
公开(公告)号：CN111582041A
公开(公告)日：2020-08-25
申请号：CN202010291359.4
申请日：2020-04-14
Applicant: 北京工业大学
Abstract: 本发明公开了基于CWT和MLMSFFCNN的脑电识别方法，将各导联运动想象脑电信号进行CWT，得到每导联的时频矩阵；然后，截取信号时频矩阵8-30Hz频带的数据，沿频率轴等分为三个子矩阵；将三个子矩阵分别按列求和，得到三个子序列后，将每个子序列沿时间轴分为三个窗口；结合BCI采集系统导联坐标信息构造MI-EEG信号复合特征矩阵；MLMSFFCNN通过各个级卷积段输出特征的拼接以及各级卷积的多分支结构实现了特征的融合与多分辨率计算；使用MLMSFFCNN对上述MI-EEG复合特征矩阵进行监督训练后，进行十折交叉验证，得到最终的分类结果。本发明通过MLMSFFCNN的特征融合能力与多分辨率计算能力使得信号时、频、空域特征信息能够被充分提取，对于提升MI-EEG信号多域特征表达、分类精度具有重要意义。
-
公开(公告)号：CN109726751A
公开(公告)日：2019-05-07
申请号：CN201811574691.0
申请日：2018-12-21
Applicant: 北京工业大学
Abstract: 本发明公开了基于深度卷积神经网络识别脑电成像图的方法，对采集到的运动想象脑电信号进行基线消除预处理；将每导联信号分成若干时间窗口，对每个窗口MI-EEG型号分别进行快速傅里叶变换，将之分别进行快速傅里叶逆变换，计算其相应的时域功率值；将每个窗口得到的时域功率值求均值，得到时域功率特征；将提取的三频带功率特征在数据矩阵中进行插值成像，得到MI-EEG信号的伪RGB图像；DCNN模型设计成五段卷积，每段卷积结束后使用卷积层替代最大池化层进行数据降维；使用训练好的DCNN模型在测试集上进行评估，完成分类测试。MI-EEG成像图在特征表达方面的优势，配合模型拟合能力更强的30层DCNN，对于提升MI-EEG信号特征表达、分类精度具有重要意义。
-
Patent Agency Ranking
公开(公告)号：CN105574527B
公开(公告)日：2019-03-29
申请号：CN201510927756.5
申请日：2015-12-14
Applicant: 北京工业大学
Abstract: 一种基于局部特征学习的快速物体检测方法，在测试阶段采用窗口遍历测试样本进行分类从而检测出物体的位置以及类别。由于需要遍历，因此传统物体检测方法的计算代价较大。本发明提出一种基于局部特征学习快速的物体检测方法：在训练阶段，以范例支撑向量机为学习框架，利用线性支撑向量机训练范例模板。在检测阶段，首先利用快速物体粗检测，提取出可能存在物体的区域，再利用训练得到的范例模板进行物体细检测。本发明方法不仅可以有效提高物体检测准确率，而且能够有效提高物体检测的速度。
-
公开(公告)号：CN105809124B
公开(公告)日：2018-06-01
申请号：CN201610125830.6
申请日：2016-03-06
Applicant: 北京工业大学
IPC: G06K9/00
Abstract: 基于DWT和Parametric t‑SNE的运动想象脑电信号的特征提取方法，首先，使用Wigner‑Ville分布和功率谱确定脑电特征的有效时、频范围，然后对于特定时间段与频率段的脑电信号进行三层离散小波分解，通过计算其均值、能量均值和均方差等统计特征量作为该脑电信号的时频特征；同时利用参数化t‑SNE算法对上述小波系数进行非线性特征映射，并将对应低维空间中的嵌入坐标作为非线性特征；将两种特征标准化得到同时包含特定时频段脑电信号时频信息和非线性信息的特征向量。本发明不仅获得具有紧致性、完备性的脑电特征，还提出以多层前向传播神经网络拟合非线性映射来解决传统流形学习算法在模式分类应用中泛化性能不足的问题，进一步提高了MI‑EEG信号的模式分类准确性。
-
公开(公告)号：CN104134071B
公开(公告)日：2017-12-29
申请号：CN201410277452.4
申请日：2014-06-20
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于颜色描述的可变形部件模型物体检测方法，本发明属于图像目标检测技术领域，本发明方法提出一种智能的融合形状与颜色特征的物体检测方法，以可变形部件模型为底层框架，在训练模板时在原有的梯度方向直方图特征空间中加入基于语言学的Color Name颜色描述符，得到特定物体类型的形状模板与颜色模板，最后在检测阶段利用梯度方向直方图形状模板与Color Name颜色模板双模板匹配的滑动窗口方法检测物体。本发明方法克服了传统方法由于使用单一特征描述物体而产生误检测的缺点。
-
公开(公告)号：CN103712617B
公开(公告)日：2016-08-24
申请号：CN201310700792.9
申请日：2013-12-18
Applicant: 北京工业大学
Abstract: 本发明公开一种基于视觉内容的多层语义地图的创建方法，包括：将机器人在环境中漫游拍摄的图像集合按照拍摄地点场景进行标注；构建分层词汇树；构建知识拓扑层，为知识拓扑层赋予知识；构建场景拓扑层；构建地点拓扑层。本发明利用视觉传感器对空间构建多层语义地图，在知识拓扑层使用有向图结构存储和查询知识，可以省去知识表达系统中不必要的操作，插入和查询速度快；利用场景拓扑层对环境进行抽象划分，将整个环境抽象成子区域，可减小图像的检索空间和路径搜索空间；利用地点拓扑层对特定的地点图像进行保存，采用图像检索技术即可自定位，不必维护全局的世界坐标系，解决了自定位估计误差累计问题。
-
公开(公告)号：CN105559777A
公开(公告)日：2016-05-11
申请号：CN201610154659.1
申请日：2016-03-17
Applicant: 北京工业大学
IPC: A61B5/0476 , G06N3/04
CPC classification number: A61B5/0476 , A61B5/72 , A61B5/7221 , A61B5/7264 , A61B5/7271 , G06N3/04
Abstract: 基于小波包和LSTM型RNN神经网络的脑电识别方法，属于生物信息技术领域。具体包括：首先，利用平均功率谱法分析脑电信号的时域特性，确定有效的时域范围。其次，对脑电信号进行小波包分解，基于改进的距离准则获取小波包最优子空间，并选取小波包最优子空间的小波包系数构成脑电特征。最后，以LSTM型RNN神经网络作为分类器对脑电信号进行分类。本发明能够自适应地选取小波包最优子空间，并自动确定最佳频段的小波包系数构成脑电时频特征，其保留了脑电信号的时序信息，而LSTM型RNN神经网络能够充分利用基于小波包变换提取的脑电特征的时序信息，从而提高脑电信号的分类准确率，为脑电信号的识别提供一种新思路。
-
-
-
-
-
-
-
-
-
Search Results
86
records
(took 0.029 seconds)
